| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-15页 |
| 1.1.1 传统网络安全技术 | 第12-14页 |
| 1.1.2 网络安全态势预测的必要性 | 第14-15页 |
| 1.2 课题研究现状 | 第15-19页 |
| 1.3 本文主要工作 | 第19-20页 |
| 1.4 论文组织结构 | 第20-22页 |
| 第二章 网络安全态势感知相关理论 | 第22-30页 |
| 2.1 网络安全态势感知的概念 | 第22-23页 |
| 2.2 网络安全态势感知的关键技术 | 第23-26页 |
| 2.2.1 数据融合技术 | 第23-24页 |
| 2.2.2 数据挖掘技术 | 第24页 |
| 2.2.3 数据预测技术 | 第24-26页 |
| 2.2.4 数据可视化技术 | 第26页 |
| 2.3 网络安全态势感知模型 | 第26-29页 |
| 2.3.1 Endsley模型 | 第26-27页 |
| 2.3.2 Tim Bass模型 | 第27-28页 |
| 2.3.3 JDL模型 | 第28-29页 |
| 2.4 小结 | 第29-30页 |
| 第三章 基于灰关联熵和Kalman的网络安全态势感知模型研究 | 第30-48页 |
| 3.1 态势感知总体框架 | 第30-31页 |
| 3.2 网络安全态势关键影响因素的选取 | 第31-35页 |
| 3.2.1 网络安全态势影响因素的收集 | 第31-32页 |
| 3.2.2 网络安全态势影响因素计算 | 第32-33页 |
| 3.2.3 网络安全态势关键因素的选取 | 第33-35页 |
| 3.3 常用网络安全态势评估方法 | 第35-38页 |
| 3.3.1 支持向量机方法 | 第35-36页 |
| 3.3.2 层次化网络安全态势评估方法 | 第36-37页 |
| 3.3.3 基于人工免疫的网络安全态势评估方法 | 第37-38页 |
| 3.4 网络安全态势预测方法 | 第38-47页 |
| 3.4.1 灰色理论预测算法 | 第38-41页 |
| 3.4.2 基于神经网络的预测方法 | 第41-42页 |
| 3.4.3 Kalman预测方法 | 第42-46页 |
| 3.4.4 改进的Kalman算法的预测方法 | 第46-47页 |
| 3.5 基于灰关联熵和Kalman的网络安全态势感知模型 | 第47页 |
| 3.6 小结 | 第47-48页 |
| 第四章 基于灰关联熵和Kalman的网络安全态势预测算法 | 第48-59页 |
| 4.1 基于灰关联熵和Kalman的网络安全态势预测 | 第48-50页 |
| 4.1.1 基于灰关联熵和Kalman的网络安全态势预测原理 | 第48-49页 |
| 4.1.2 基于灰关联熵和Kalman的网络安全态势预测模型 | 第49-50页 |
| 4.2 实验与结果分析 | 第50-58页 |
| 4.2.1 仿真环境与配置 | 第50-51页 |
| 4.2.2 网络安全态势值的计算 | 第51-52页 |
| 4.2.3 基于灰关联熵的Kalman预测算法预测结果 | 第52-58页 |
| 4.3 小结 | 第58-59页 |
| 第五章 基于攻击强度和Kalman的网络安全态势预测算法 | 第59-70页 |
| 5.1 基于攻击强度和Kalman的网络安全态势预测模型 | 第59-66页 |
| 5.1.1 基于攻击强度和Kalman的预测模型一 | 第59-60页 |
| 5.1.2 基于攻击强度和Kalman的预测模型二 | 第60-62页 |
| 5.1.3 基于攻击强度和Kalman的预测模型三 | 第62-64页 |
| 5.1.4 基于攻击强度和Kalman的预测模型四 | 第64-66页 |
| 5.2 实验与结果分析 | 第66-69页 |
| 5.2.1 实验一 | 第66-67页 |
| 5.2.2 实验二 | 第67-69页 |
| 5.3 小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 全文总结 | 第70-71页 |
| 6.2 研究工作展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
| 在学期间的研究成果及发表的学术论文 | 第77页 |
